Technisch reicht die Spanne von regelbasierter Personalisierung (Wenn Standort = Wien, zeige lokales Angebot) bis zu KI-gestützten Empfehlungssystemen, die aus dem Verhalten Tausender Nutzer:innen Muster lernen – etwa wie Amazons Produktempfehlungen. Marketing-Automation-Tools verknüpfen dafür CRM-Daten, Kaufhistorie und Website-Verhalten zu einem Nutzerprofil.
Ein realistisches Beispiel aus dem E-Mail-Marketing: Personalisierte Betreffzeilen mit Vorname oder auf Basis des letzten Kaufs erhöhen die Öffnungsrate häufig um einen zweistelligen Prozentbereich gegenüber generischen Massenmails. Wichtig ist die Grenze zwischen relevant und aufdringlich – wer merkt, dass eine Website exakt weiß, was man letzte Woche gesucht hat, empfindet das oft als unangenehm statt hilfreich.
Personalisierung braucht Daten, und die haben Grenzen: Neue Besucher:innen ohne Historie ("Cold Start") lassen sich nicht sinnvoll personalisieren, und jede Personalisierung, die auf Tracking basiert, steht unter denselben DSGVO-Regeln wie das Tracking selbst. Wer zu aggressiv personalisiert, riskiert außerdem eine Filterblase, in der Nutzer:innen nur noch das sehen, was der Algorithmus schon kennt.
